CN116245361A - 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 - Google Patents

工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 Download PDF

Info

Publication number
CN116245361A
CN116245361A CN202310188705.XA CN202310188705A CN116245361A CN 116245361 A CN116245361 A CN 116245361A CN 202310188705 A CN202310188705 A CN 202310188705A CN 116245361 A CN116245361 A CN 116245361A
Authority
CN
China
Prior art keywords
fish
sensitive
nitrogen concentration
video data
vegetable symbiotic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310188705.XA
Other languages
English (en)
Inventor
李道亮
刘畅
郑颖颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202310188705.XA priority Critical patent/CN116245361A/zh
Publication of CN116245361A publication Critical patent/CN116245361A/zh
Priority to US18/437,972 priority patent/US20240282146A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K63/00—Receptacles for live fish, e.g. aquaria; Terraria
    • A01K63/04—Arrangements for treating water specially adapted to receptacles for live fish
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Psychiatry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明提供一种工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统，包括：获取敏感鱼养殖容器的视频数据，其中，视频数据包括监测到的敏感鱼养殖容器中的敏感鱼的运动行为，敏感鱼养殖容器与鱼菜共生系统的养殖池连通；利用目标检测模型对视频数据进行处理，根据处理结果获取敏感鱼的行为活跃度；利用神经网络模型对行为活跃度进行处理，获取鱼菜共生系统的养殖池的氮素浓度等级；基于氮素浓度等级确定是否发送氮素浓度预警信息。本发明可快速、准确诊断出氮素浓度，提前预警，保障经济价值高的养殖鱼的生存；故障率低，运维成本低，能够实时监测，有效解决鱼菜共生系统中氮素浓度预警不稳定、效率低等问题，实时反馈养殖鱼的健康生长状态。

Description

工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统
技术领域
本发明涉及鱼菜共生养殖技术领域，尤其涉及一种工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统。
背景技术
鱼菜共生是一种新型的复合耕作体系，通过将水产养殖与水耕栽培巧妙的生态设计，达到鱼、菜、微生物三者之间科学的协同共生，从而实现养鱼不换水而无水质忧患，种菜不施肥而正常成长的生态共生效应。在鱼菜共生系统中，氨氮主要来自于两个方面，一是鱼类排泄物、剩余饲料等有机物通过氨化作用被微生物分解为氨氮，二是鱼类通过腮和尿液向水中排放氨氮。循环水体中的氨氮通过硝化作用将NH4 +在氨氧化菌(AOB)的作用下氧化成亚硝酸盐(NO2 -)，生成的NO2 -被亚硝酸氧化菌(NOB)氧化成硝酸盐(NO3 -)，从而被种植的蔬菜吸收利用。但过高的氮素含量会对鱼类生长抑制，因此，鱼菜共生系统中氮素含量的检测和等级预警十分必要。
现阶段鱼菜共生水体氮素检测方法主要有两种：一种是光谱分析法，通过光谱仪器测量氮素及其衍生物产生的发射、吸收或散射辐射的波长和强度从而进行浓度检测；另一种是利用电化学传感器进行智能化检测，利用氮素溶液与有机膜产生电位差、电流或电压等可测量的电相关参数，从而将这些参数转化为氮素含量进行间接测量。
基于电化学传感器检测水体氮素含量的方法虽然操作简单但使用寿命较短，电极也易受到养殖水体的污染，需要经常更换，且存在线性范围窄和抗干扰能力差等不足。而光谱检测方法更具有实用性和可操作性，在实际养殖水体中氮素检测最常使用。光谱仪器氮素检测方法灵敏度高、仪器操作容易、维护成本低，但在使用时，易受其他干扰离子和水体颜色的干扰。特别是海水养殖水体检测时，预处理过程复杂，检测精度不够，检测速度慢，需要人工进行现场测量，无法在线检测。为加快现代化水产养殖鱼菜共生系统的氮素检测效率，基于电化学和光谱检测原理的传感器物联网已逐步在实际生产中应用，但传感器仍存在使用寿命短，故障概率高，宕机现象严重等问题。因此，极易对突发的氮素变化检测不及时，无法对养殖水体中毒性氮素进行有效预警。为弥补现阶段各类检测方法的弊端，亟需有效的氮素预警方法。
发明内容
本发明提供一种工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统，用以实现快速预警鱼菜共生系统中的氮素浓度。
本发明提供一种工厂化鱼菜共生循环水中氮素浓度预警方法，包括：
获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；
利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；
利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；
基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述行为活跃度包括：活动量、加速次数、摆尾次数。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，包括：
根据预设单位时间将所述视频数据分解成多个俯视图像帧和侧视图像帧，其中，所述视频数据包括俯视视频数据和侧视视频数据；
利用所述目标检测模型对所述俯视图像帧和所述侧视图像帧中的所述敏感鱼进行目标检测，根据目标检测结果获取所述敏感鱼的三维运动轨迹；
根据所述三维运动轨迹获取所述敏感鱼在每个所述预设单位时间内的运动距离；
将多个所述运动距离进行累加，以获取所述敏感鱼在所述视频数据的视频时长内的活动量。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
根据所述三维运动轨迹和所述运动距离，获取所述敏感鱼在每个所述预设单位时间内的运动速度；
将所述运动速度与预设运动速度阈值进行比较，根据比较结果确定所述敏感鱼在所述视频时长内的加速次数。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
利用所述目标检测模型对每个所述侧视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第一预设标注框内的面积占比；
当所述面积占比与小于预设比例值时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为；
根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
利用所述目标检测模型对每个所述俯视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第二预设标注框内的位置；
当所述位置与所述第二预设标注框内的预设参考线不重合时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为；
根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
根据本发明提供的一种工厂化鱼菜共生循环水中氮素浓度预警方法，所述利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级，包括：
将所述活动量、所述加速次数、所述摆尾次数输入所述神经网络模型；
利用所述神经网络模型对所述鱼菜共生系统的养殖池的氮素浓度进行预测，根据所述预测结果确定所述氮素浓度等级。
根据本发明提供的一种鱼菜共生系统的氮素浓度预警方法，所述神经网络模型为以LSTM模型为框架构建的模型。
本发明还提供一种工厂化鱼菜共生循环水中氮素浓度预警装置，包括：
第一获取模块，用于获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；
第二获取模块，用于利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；
第三获取模块，用于利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；
第四获取模块，用于基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
本发明还提供一种工厂化鱼菜共生循环水中氮素浓度预警系统，包括：敏感鱼养殖容器、摄像装置及计算机设备，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通，以使液体在所述养殖池与所述敏感鱼养殖容器中流动，所述摄像装置与所述计算机设备连接；
所述敏感鱼养殖容器用于养殖敏感鱼；
所述摄像装置用于采集所述敏感鱼养殖容器的视频数据，监测所述敏感鱼的运动行为，并将所述视频数据传输至所述计算机设备；
所述计算机设备用于基于所述视频数据获取所述鱼菜共生系统的氮素浓度等级，并基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
本发明提供的工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统，通过利用鱼菜共生系统的养殖池的水养殖敏感鱼，采用摄像装置拍摄敏感鱼的视频，监测敏感鱼的运动行为，利用目标检测模型对视频数据进行目标检测，获取敏感鱼的行为活跃度，鱼类在不同氮素浓度的水环境下具有不同的行为活跃度，并利用神经网络模型获取敏感鱼的行为活跃度对应的氮素浓度，从而获取鱼菜共生系统的氮素浓度，并根据氮素浓度确定是否发出预警信息，以便工作人员快速获知。本发明采用计算机视觉技术，是一种无接触的检测方法，不需要对鱼菜共生系统中的鱼和菜进行个体解剖等破坏性采用操作，且鱼类行为会因水中氮素浓度的改变而迅速发生行为变化，这些变化要比内在的生理性变化更为显著，且时间更提前，而本发明采用敏感鱼的行为反应比鱼菜共生系统的养殖池中具有经济价值的养殖鱼更加显著且时间更早，由此可以快速、准确地诊断出鱼菜共生系统的水中氮素浓度，提前预警，保障鱼菜共生系统的经济价值高的养殖鱼的生存，并且使用价格便宜的敏感鱼作为检测对象，成本较低。此外，与现有技术的光谱仪器、传感器相比，本发明的预警系统的故障率低，运维成本低，能够实时监测，可有效解决鱼菜共生系统中氮素浓度预警不稳定、效率低等问题，从而实时反馈鱼菜共生系统中的养殖鱼类的健康生长状态。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的鱼工厂化鱼菜共生循环水中氮素浓度预警系统的应用场景示意图；
图2是本发明提供的工厂化鱼菜共生循环水中氮素浓度预警方法的流程示意图；
图3是本发明提供的工厂化鱼菜共生循环水中氮素浓度预警装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
附图标记：
101：养殖池；111：敏感鱼养殖容器；112：摄像装置。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明提供一种工厂化鱼菜共生循环水中氮素浓度预警系统，包括：敏感鱼养殖容器、摄像装置及计算机设备，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通，以使液体在所述养殖池与所述敏感鱼养殖容器中流动，所述摄像装置与所述计算机设备连接；其中，所述敏感鱼养殖容器用于养殖敏感鱼；所述摄像装置用于采集所述敏感鱼养殖容器的视频数据，监测所述敏感鱼的运动行为，并将所述视频数据传输至所述计算机设备；所述计算机设备用于基于所述视频数据获取所述鱼菜共生系统的氮素浓度等级，并基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
如图1所示，其展示了本发明的工厂化鱼菜共生循环水中氮素浓度预警系统的实际应用场景，工厂化鱼菜共生循环水中氮素浓度预警系统包括：敏感鱼养殖容器111、摄像装置112及计算机设备(未图示)，敏感鱼养殖容器111与鱼菜共生系统的养殖池101连通，确保敏感鱼养殖容器111中的水与养殖池101的水相通，从而确保通过敏感鱼的行为活跃度预测的氮素浓度为鱼菜共生系统的养殖池中水的氮素浓度。敏感鱼养殖容器111中可以养殖至少一条敏感鱼。
在一个实施例中，敏感鱼养殖容器与养殖池的连接处设置有多个通孔。在一个实施例中，所述通孔的孔径小于养殖鱼和敏感鱼的尺寸大小，这样可以将敏感鱼与养殖鱼分开，确保采集的视频数据为敏感鱼的视频数据，监测敏感鱼的运动行为。
如图1所示，针对一个敏感鱼养殖容器，摄像装置可以包括两个摄像机，分别架设于敏感鱼养殖容器111的上方和侧方，分别采集敏感鱼养殖容器111的俯视视频数据和侧视视频数据，视频采集的格式可以为mp4格式。为了提高预测的准确度，可以在敏感鱼养殖容器中养殖多条同一类别的敏感鱼，在这种情况下，如果只采集测试视频数据的话，会出现敏感鱼被遮挡的情况，从而无法获取准确度更高的敏感鱼的行为活跃度，结合俯视视频数据和侧视视频数据，可以获取敏感鱼的准确的三维运动轨迹，获取敏感鱼的准确的行为活跃度，从而预测出准确度高的氮素浓度。
在一个实施例中，摄像装置可以是双目摄像机。
在一个实施例中，敏感鱼养殖容器可以为透明的亚克力材质。这样，便于采集敏感鱼养殖容器侧视视频数据和俯视视频数据。
在一个实施例中，摄像装置可以通过无线通信将采集到的视频数据实时传输至后台监控的计算机设备。
需要说明的是，鱼是鱼菜共生系统中的食物链顶端，通常情况下，水质对鱼类的运动行为的影响是更加直观和迅速的。敏感鱼是指对水质敏感的鱼类，例如斑马鱼、虹鳟等对毒性氮素的应激反应十分显著的鱼类。因此根据敏感鱼出现的不同行为可直接反应出水中毒性氮素含量的变化，这些胁迫行为的反应更加迅速和直观，可有效预警水中的氮素浓度变化。
下面结合图2描述本发明的工厂化鱼菜共生循环水中氮素浓度预警方法。
如图2所示，本发明提供的工厂化鱼菜共生循环水中氮素浓度预警方法，应用于工厂化鱼菜共生循环水中氮素浓度预警系统的计算机设备中，包括：
步骤210，获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通。
具体地，计算机设备可以获取到摄像装置实时传输的视频数据，截取预设视频时长的视频数据来分析敏感鱼的行为活跃度，从而预测出鱼菜共生系统的氮素浓度。
在一个实施例中，可以按照预设周期预测鱼菜共生系统的氮素浓度。
步骤220，利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度。
具体地，行为活跃度可以包括：活动量、加速次数、摆尾次数。利用目标检测模型对视频数据进行目标检测，对视频数据中的敏感鱼进行个体识别和三维追踪，获取敏感鱼的活动量、加速次数、摆尾次数。其中，活动量可以是指敏感鱼在视频时长内的运动距离，加速次数可以是指敏感鱼在视频时长内突然加速的次数，摆尾次数可以是指敏感鱼在视频时长内摆尾行为的次数。
目标检测模型对视频数据中的敏感鱼进行个体识别和跟踪，其中，目标检测模型的卷积层和池化层的主要任务是提取并筛选出数据特征，将池化层的大小设置为1，可以有助于避免模型过拟合。
在一个实施例中，目标检测模型可以是以YOLO模型为框架构建的模型。在一个例子中，目标检测模型可以是以YOLOv7模型为框架构建的模型。
步骤230，利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级。
具体地，利用神经网络模型，根据得到的敏感鱼的行为活跃度预测敏感鱼所在水中的氮素浓度，从而得到鱼菜共生系统中养殖池的氮素浓度等级。
在一个实施例中，步骤230可以具体包括：将所述活动量、所述加速次数、所述摆尾次数输入所述神经网络模型；利用所述神经网络模型对所述鱼菜共生系统的养殖池的氮素浓度进行预测，根据所述预测结果确定所述氮素浓度等级。
在一个实施例中，所述神经网络模型可以是以LSTM(Long Short-Term Memory，长短期记忆网络)模型为框架构建的模型。LSTM模型在预测数据方面具有独特的优势，在长期时间序列预测中，LSTM模型可以有效避免梯度消失的问题。
步骤240，基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
具体地，可以设置水中总氮素浓度范围为0-20mg/L，每5mg为一个氮素浓度等级，可以采用四种颜色表示。例如，按照氮素浓度从低到高分别用蓝色、黄色、橙色、红色表示，其中，0-5mg/L为蓝色，5mg/L-10mg/L为黄色，10mg/L-15mg/L为橙色，15mg/L-20mg/L为红色。可以设置当预测到的氮素浓度等级达到黄色、橙色或者红色时，发送氮素浓度预警信息，以通知工作人员，以便工作人员及时对鱼菜共生系统的养殖池的液体采取更换等措施。
本发明提供的工厂化鱼菜共生循环水中氮素浓度预警方法，通过利用鱼菜共生系统的养殖池的水养殖敏感鱼，采用摄像装置拍摄敏感鱼的视频，监测敏感鱼的运动行为，利用目标检测模型对视频数据进行目标检测，获取敏感鱼的行为活跃度，鱼类在不同氮素浓度的水环境下具有不同的行为活跃度，并利用神经网络模型获取敏感鱼的行为活跃度对应的氮素浓度，从而获取鱼菜共生系统的氮素浓度，并根据氮素浓度确定是否发出预警信息，以便工作人员快速获知。本发明采用计算机视觉技术，是一种无接触的检测方法，不需要对鱼菜共生系统中的鱼和菜进行个体解剖等破坏性采用操作，且鱼类行为会因水中氮素浓度的改变而迅速发生行为变化，这些变化要比内在的生理性变化更为显著，且时间更提前，而本发明采用敏感鱼的行为反应比鱼菜共生系统的养殖池中具有经济价值的养殖鱼更加显著且时间更早，由此可以快速、准确地诊断出鱼菜共生系统的水中氮素浓度，提前预警，保障鱼菜共生系统的经济价值高的养殖鱼的生存，并且使用价格便宜的敏感鱼作为检测对象，成本较低。此外，与现有技术的光谱仪器、传感器相比，本发明的预警系统的故障率低，运维成本低，能够实时监测，可有效解决鱼菜共生系统中氮素浓度预警不稳定、效率低等问题，从而实时反馈鱼菜共生系统中的养殖鱼类的健康生长状态。
下面对于行为活跃度的三个指标的获取进行详细的说明。
1、活动量
针对活动量的获取，步骤220可以具体包括：
(1)根据预设单位时间将所述视频数据分解成多个俯视图像帧和侧视图像帧，其中，所述视频数据包括俯视视频数据和侧视视频数据。
具体地，预设单位时间可以设置为一秒，即按照每秒一帧对视频数据分解成图像帧，俯视视频数据分解为俯视图像帧，侧视视频数据分解为侧视图像帧，根据时间戳将俯视图像帧、侧视图像帧进行匹配，使得同一个时间戳的俯视图像帧和侧视图像帧一一对应。
在一个例子中，视频数据的视频时长可以设置为30分钟，则将30分钟的俯视视频数据分解为1800帧俯视图像帧，将30分钟的侧视视频数据分解为1800帧侧视图像帧。
(2)利用所述目标检测模型对所述俯视图像帧和所述侧视图像帧中的所述敏感鱼进行目标检测，根据目标检测结果获取所述敏感鱼的三维运动轨迹。
具体地，根据俯视图像帧和侧视图像帧进行目标检测，对图像帧的敏感鱼进行个体识别和跟踪，绘制出敏感鱼的三维运动轨迹。
在一个实施例中，可以通过对敏感鱼的头部进行识别和跟踪，绘制三维运动轨迹。
(3)根据所述三维运动轨迹获取所述敏感鱼在每个所述预设单位时间内的运动距离。
具体地，相邻的图像帧的敏感鱼的位置分布会有所差异，这个位置分布差即为预设单位时间内敏感鱼的运动距离。
(4)将多个所述运动距离进行累加，以获取所述敏感鱼在所述视频数据的视频时长内的活动量。
2、加速次数
针对加速次数的获取，步骤220可以具体包括：
(1)根据所述三维运动轨迹和所述运动距离，获取所述敏感鱼在每个所述预设单位时间内的运动速度。
(2)将所述运动速度与预设运动速度阈值进行比较，根据比较结果确定所述敏感鱼在所述视频时长内的加速次数。
具体地，前期可以对敏感鱼进行运动速度的统计，获取平均运动速度，作为预设运动速度阈值。利用上述的三维运动轨迹和运动距离。可以计算出每个预设单位时间内的运动速度，每计算一次运动速度，与预设运动速度阈值进行比较，当运动速度超过预设运动速度阈值时，可以视为敏感鱼的一次加速。由此，获取敏感鱼在视频时长内的加速次数。
在一个实施例中，针对不同类别的敏感鱼，可以设置不同的运动速度阈值。这样，目标检测模型还可以检测视频数据中敏感鱼的类别，从而采用对应的预设运动速度阈值进行比较。
需要说明的是，由于对鱼的个体加速度计算较困难，本发明选定敏感鱼在单位时间内突然发生速度变化(突然加速)的次数，即加速次数来替代加速度指标。鱼类的突然加速行为可以代表鱼类个体游泳行为和健康状态的重要参数。
3、摆尾次数
针对摆尾次数的获取，可以采用侧视图像帧获取，也可以采用俯视图像帧获取。
在采用侧视图像帧获取的情况下，步骤220可以具体包括：
(1)利用所述目标检测模型对每个所述侧视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第一预设标注框内的面积占比。
具体地，目标检测模型可以识别出敏感鱼的尾部，通过设置第一预设标注框为尾部标注框，并根据敏感鱼的尾部尺寸大小确定第一预设标注框的尺寸大小。尾部尺寸大小可以由尾部平铺的面积来表示，从而根据尾部平铺的面积确定第一预设标注框的面积。在一个例子中，可以设置敏感鱼的尾部平铺面积占领标注框的95％。
(2)当所述面积占比与小于预设比例值时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为。
可以理解，当敏感鱼摆尾时，侧视图像帧所展示敏感鱼的尾部面积小于尾部平铺的面积。可以设置当尾部面积占比小于预设比例值，来判定敏感鱼发生了一次摆尾行为。在一个例子中，预设比例值可以为90％。
(3)根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
具体地，统计视频时长内敏感鱼发生摆尾行为的次数，从而得到视频时长内的摆尾次数。
在采用俯视图像帧获取的情况下，步骤220可以具体包括：
(1)利用所述目标检测模型对每个所述俯视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第二预设标注框内的位置。
(2)当所述位置与所述第二预设标注框内的预设参考线不重合时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为。
(3)根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
具体地，采用俯视图像帧可以对敏感鱼的尾部进行目标检测，检测的是俯视角度的尾部，通过在第二预设标注框内设置预设参考线，该预设参考线为直线，当敏感鱼没有摆尾时，敏感鱼的尾部呈直线，并与预设参考线重合。当敏感鱼摆尾时，敏感鱼的尾部与预设参考线不重合，由此判断敏感鱼在预设单位时间内是否发生一次摆尾行为。统计视频时长内敏感鱼发生摆尾行为的次数，从而得到视频时长内的摆尾次数。
需要说明的是，如前文所述，当敏感鱼养殖容器中包括多条敏感鱼时，侧视视频数据中可能存在敏感鱼之间的遮挡情况，可以采用侧视视频数据结合俯视视频数据来获取敏感鱼在视频时长内的摆尾次数。
关于目标检测模型的训练，可以在前期采集不同氮素浓度的水中养殖的敏感鱼的视频数据，并对视频数据分解成图像帧，人工标注感兴趣区域，感兴趣区域可以包括敏感鱼的头部、敏感鱼的尾部。这些标注好的数据可以作为训练数据，对以YOLOv7模型为框架构建的目标检测模型进行训练，以将目标检测模型训练成能够对敏感鱼进行个体识别和三维跟踪的模型。根据目标检测结果计算出敏感鱼的行为活跃度数据。
关于神经网络模型的训练，则将获取到的行为活跃度数据以及对应的氮素浓度数据作为训练数据，对以LSTM模型为框架构建的神经网络模型进行训练，以将神经网络模型训练成鲁棒性好，能根据敏感鱼的行为活跃度数据预测出鱼菜共生系统的氮素浓度等级的模型。
综上所述，本发明通过利用计算机视觉技术监测敏感鱼的行为活跃度，是一种无接触的监测方法，且鱼类行为会因水中氮素含量的改变而迅速发生行为变化，这些变化要比内在的生理性变化更为显著，且时间更提前。敏感鱼的行为反应比养殖池中具有经济价值的养殖鱼更加显著且时间更早。因此，使用计算机视觉技术分析敏感鱼的行为变化可在一定程度上对氮素浓度进行超前预警。采用机器视觉与目标检测模型分析结合的方式，综合计算鱼类行为数据，可充分反映鱼类在不同氨氮浓度条件下的活跃程度，并结合神经网络模型，更全面更可靠的将鱼的行为参数与鱼菜共生系统的氮素浓度联系起来。
并且，本发明无需使用任何生物化学类试剂，不会对鱼菜共生养殖环境造成损害。并且整个监测和诊断过程不会对系统的正常运行造成干扰，无需耗费大量的时间分析，可对鱼类行为进行实时监测。建立基于敏感鱼类的氮素浓度预警系统稳定，鲁棒性高，不容易出现故障，且成本较低，能够实时检测，可有效解决鱼菜共生系统中氮素浓度预警不稳定、效率低等问题，且可实时反馈养殖鱼类的健康生长状态。将本发明与现有的传感器测量方法进行数据融合，即可以使用传感器准确测量鱼菜共生系统中的氮素浓度还可对氮素浓度有效预测预警，尤其是在传感器出现故障时，是确保鱼菜共生系统高效运行的双重保障。具有广阔的应用前景和较高的应用价值，可以实现产业化。
下面对本发明提供的工厂化鱼菜共生循环水中氮素浓度预警装置进行描述，下文描述的工厂化鱼菜共生循环水中氮素浓度预警装置与上文描述的工厂化鱼菜共生循环水中氮素浓度预警方法可相互对应参照。
如图3所示，本发明还提供了一种工厂化鱼菜共生循环水中氮素浓度预警装置，包括：
第一获取模块310，用于获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；
第二获取模块320，用于利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；
第三获取模块330，用于利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；
第四获取模块340，用于基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行工厂化鱼菜共生循环水中氮素浓度预警方法，该方法包括：获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的工厂化鱼菜共生循环水中氮素浓度预警方法，该方法包括：获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的工厂化鱼菜共生循环水中氮素浓度预警方法，该方法包括：获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，包括：
获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；
利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；
利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；
基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
2.根据权利要求1所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述行为活跃度包括：活动量、加速次数、摆尾次数。
3.根据权利要求2所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，包括：
根据预设单位时间将所述视频数据分解成多个俯视图像帧和侧视图像帧，其中，所述视频数据包括俯视视频数据和侧视视频数据；
利用所述目标检测模型对所述俯视图像帧和所述侧视图像帧中的所述敏感鱼进行目标检测，根据目标检测结果获取所述敏感鱼的三维运动轨迹；
根据所述三维运动轨迹获取所述敏感鱼在每个所述预设单位时间内的运动距离；
将多个所述运动距离进行累加，以获取所述敏感鱼在所述视频数据的视频时长内的活动量。
4.根据权利要求3所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
根据所述三维运动轨迹和所述运动距离，获取所述敏感鱼在每个所述预设单位时间内的运动速度；
将所述运动速度与预设运动速度阈值进行比较，根据比较结果确定所述敏感鱼在所述视频时长内的加速次数。
5.根据权利要求3所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
利用所述目标检测模型对每个所述侧视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第一预设标注框内的面积占比；
当所述面积占比与小于预设比例值时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为；
根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
6.根据权利要求3所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度，还包括：
利用所述目标检测模型对每个所述俯视图像帧中的所述敏感鱼的尾部进行目标检测，获取所述尾部在第二预设标注框内的位置；
当所述位置与所述第二预设标注框内的预设参考线不重合时，则确定所述敏感鱼在所述预设单位时间内发生一次摆尾行为；
根据统计的所述摆尾行为的次数确定所述敏感鱼在所述视频时长内的摆尾次数。
7.根据权利要求2所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级，包括：
将所述活动量、所述加速次数、所述摆尾次数输入所述神经网络模型；
利用所述神经网络模型对所述鱼菜共生系统的养殖池的氮素浓度进行预测，根据所述预测结果确定所述氮素浓度等级。
8.根据权利要求1至7任一项所述的工厂化鱼菜共生循环水中氮素浓度预警方法，其特征在于，所述神经网络模型为以LSTM模型为框架构建的模型。
9.一种工厂化鱼菜共生循环水中氮素浓度预警装置，其特征在于，包括：
第一获取模块，用于获取敏感鱼养殖容器的视频数据，其中，所述视频数据包括监测到的所述敏感鱼养殖容器中的敏感鱼的运动行为，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通；
第二获取模块，用于利用目标检测模型对所述视频数据进行处理，根据处理结果获取所述敏感鱼的行为活跃度；
第三获取模块，用于利用神经网络模型对所述行为活跃度进行处理，获取所述鱼菜共生系统的养殖池的氮素浓度等级；
第四获取模块，用于基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
10.一种工厂化鱼菜共生循环水中氮素浓度预警系统，其特征在于，包括：敏感鱼养殖容器、摄像装置及计算机设备，所述敏感鱼养殖容器与鱼菜共生系统的养殖池连通，以使液体在所述养殖池与所述敏感鱼养殖容器中流动，所述摄像装置与所述计算机设备连接；
所述敏感鱼养殖容器用于养殖敏感鱼；
所述摄像装置用于采集所述敏感鱼养殖容器的视频数据，监测所述敏感鱼的运动行为，并将所述视频数据传输至所述计算机设备；
所述计算机设备用于基于所述视频数据获取所述鱼菜共生系统的氮素浓度等级，并基于所述氮素浓度等级确定是否发送氮素浓度预警信息。
CN202310188705.XA 2023-02-21 2023-02-21 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统 Pending CN116245361A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310188705.XA CN116245361A (zh) 2023-02-21 2023-02-21 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统
US18/437,972 US20240282146A1 (en) 2023-02-21 2024-02-09 Early warning method, apparatus, and system for nitrogen concentration in industrialized aquaponic circulating water

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310188705.XA CN116245361A (zh) 2023-02-21 2023-02-21 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统

Publications (1)

Publication Number Publication Date
CN116245361A true CN116245361A (zh) 2023-06-09

Family

ID=86625768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310188705.XA Pending CN116245361A (zh) 2023-02-21 2023-02-21 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统

Country Status (2)

Country Link
US (1) US20240282146A1 (zh)
CN (1) CN116245361A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN118566213A (zh) * 2024-07-30 2024-08-30 山东科技大学 基于氨氮浓度预测与水下目标跟踪的水质监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105454144A (zh) * 2015-11-25 2016-04-06 华南农业大学 一种黄颡鱼养殖水体富营养化预警方法及其应用
CN107102663A (zh) * 2017-06-27 2017-08-29 厦门虾想网络科技有限公司 智能鱼菜共生监控及产品溯源系统
CN107730501A (zh) * 2017-11-02 2018-02-23 西安邮电大学 一种鱼体尾频检测方法和系统
CN111640139A (zh) * 2020-05-22 2020-09-08 浙江大学 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法
CN113516635A (zh) * 2021-06-15 2021-10-19 中国农业大学 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法
CN114758418A (zh) * 2022-04-12 2022-07-15 平安国际智慧城市科技股份有限公司 水质评价方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105454144A (zh) * 2015-11-25 2016-04-06 华南农业大学 一种黄颡鱼养殖水体富营养化预警方法及其应用
CN107102663A (zh) * 2017-06-27 2017-08-29 厦门虾想网络科技有限公司 智能鱼菜共生监控及产品溯源系统
CN107730501A (zh) * 2017-11-02 2018-02-23 西安邮电大学 一种鱼体尾频检测方法和系统
CN111640139A (zh) * 2020-05-22 2020-09-08 浙江大学 一种基于鱼群行为时空特性的循环水养殖水质智能预警装置和方法
CN113516635A (zh) * 2021-06-15 2021-10-19 中国农业大学 鱼菜共生系统及基于鱼类行为的蔬菜氮元素需求估算方法
CN114758418A (zh) * 2022-04-12 2022-07-15 平安国际智慧城市科技股份有限公司 水质评价方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116681992A (zh) * 2023-07-29 2023-09-01 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN116681992B (zh) * 2023-07-29 2023-10-20 河南省新乡生态环境监测中心 一种基于神经网络的氨氮检测方法
CN118566213A (zh) * 2024-07-30 2024-08-30 山东科技大学 基于氨氮浓度预测与水下目标跟踪的水质监测方法

Also Published As

Publication number Publication date
US20240282146A1 (en) 2024-08-22

Similar Documents

Publication Publication Date Title
CN116245361A (zh) 工厂化鱼菜共生循环水中氮素浓度预警方法、装置与系统
CN106526112B (zh) 一种基于鱼类活性分析的水质毒性检测方法
Gillanders et al. Spatial variation in elemental composition of otoliths of three species of fish (family Sparidae)
CN116796907A (zh) 一种基于物联网的水环境动态监测系统及其方法
CN106442908B (zh) 基于红色斑马鱼应激行为的水质异常检测与分级报警方法
CN109962982A (zh) 一种基于物联网的河湖水生态环境监控系统
KR20190023152A (ko) 양식장 수질 모니터링 시스템
CN104008367A (zh) 基于计算机视觉的育肥猪的自动行为分析系统及方法
CN114037552B (zh) 一种肉鸭生理生长信息巡检方法及系统
CN113662530B (zh) 一种猪只生理生长状态监测预警方法
CN106940363B (zh) 一种基于海洋生物行为反应的海洋污染预警方法
US20240040995A1 (en) Method, apparatus and system for detecting carbon emission-involved gas from ruminant
US20240341286A1 (en) Method and device for non-destructive sorting of fertilization information of hatching eggs before incubation
CN113487470A (zh) 一种基于大数据的环保隐患精准监测定位方法
CN118235723B (zh) 一种基于智慧牧场的母牛智能监测平台及装置
CN116611000B (zh) 基于机器学习的大闸蟹养殖环境智能监测系统
CN111931573A (zh) 基于yolo进化深度学习模型的安全帽检测与预警方法
CN218917667U (zh) 一种ai智能安检违禁品识别系统
Zheng et al. A method for real-time measurement of respiratory rhythms in medaka (Oryzias latipes) using computer vision for water quality monitoring
CN118091063A (zh) 一种滨海湿地水质生态监测系统
Tuckey et al. Automated image analysis as a tool to measure individualised growth and population structure in Chinook salmon (Oncorhynchus tshawytscha)
CN109633113B (zh) 基于青鳉鱼逐级行为模型的水质监测预警方法及系统
KR20220021583A (ko) 딥러닝 영상분석기반 생육정보 자동수집 시스템
CN117390503A (zh) 一种基于数据分析的水质污染物监测管理系统
Thylashri et al. Water Quality Monitoring with Satellite Image Using Convolutional Neural Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination